model prediksi harga saham berdasarkan histories...
TRANSCRIPT
MODEL PREDIKSI HARGA SAHAM BERDASARKAN
HISTORIES DATA DAN KONDISI TERKINI DENGAN
MENGGUNAKAN METODE SIMILAR SEQUENCE
MATCHING DAN MAX-MIN ANT SYSTEM
OLEH
LALA SEPTEM RIZA
LATAR BELAKANG
Adanya kebutuhan untuk memprediksi pergerakan harga
saham oleh para analisis.
Fluktuatif dan banyaknya faktor yang mempengaruhi
pergerakan harga saham menyebabkan pekerjaan
prediksi menjadi tidak mudah.
Prediksi yang baik
Respon yang tepat terhadap kondisi masa depan
TUJUAN PENELITIAN
Merancang suatu model dan perangkat lunak untuk
memprediksi harga saham yang memanfaatkan data
historis dan current condition.
BATASAN MASALAH
Prediksi yang dihasilkan merupakan nilai prediksi
pada satu hari berikutnya (short term prediction).
ALUR SISTEM MODEL
REPRESENTASI DATA
Data time series :
x = {xt, t=1,...,n}, dengan
x : data observasi yang terurut berdasarkan waktu (time series),
t : index waktu, dan
n : jumlah observasi/pengamatan.
Data Return Saham (Rt) (dalam persentase)
1
1
*100%t t
t
t
P PR
P
Pt : harga dari satu jenis saham/indeks saham pada waktu t.
PATTERN CLASSIFICATION
Merupakan salah satu tugas/tujuan dari “Data Mining”
Metode = Similar Sequence Matching
yaitu pengukuran kesamaan berdasarkan jarak euclidean
pada tiap sequence.
2( [ ] [ ])x i y iD(x, y)
ε-match jika D(x,y) ≤ ε.
METODE SIMILAR SEQUENCE MATCHING
(SSM)
Parameter yang diperlukan:
0. Data time series (Sequence S)
1. Panjang Sliding Window (J).
2. Error toleransi
3. Sampel pola (subsequence dengan panjang ω)
METODE ANT SYSTEM
Merupakan salah satu metode swarm intelligence, yang
terinspirasi oleh tingkah laku semut saat menemukan
sumber makanan.
a) Pada permulaan percobaan, b) pada waktu selanjutnya
FLOW CHART UMUM ANT SYSTEM
KONTRUKSI ANT SYSTEM
1. Kontruksi Graph sebagai representasi
masalah
2. Fungsi heuristik (η).
3. Probabilistik Transition Rule.
4. Pheromone update (τ).
5. Metode pemberhentian.
1. KONSTRUKSI GRAPH
Rentang nilai return saham dibagi dalam class.
Definisi class :
1. Range Return
Saham : [8.1:-8.1]
2. Dibagi dalam 109
class
3. Range tiap class :
0.15
2. FUNGSI HEURISTIK
Nilai peluang dari hasil proses SSM (Pc)
Nilai perhitungan formula current condition (HFe):1. Kondisi Makroekonomi.
2. Kondisi Nonekonomi.
3. Kondisi Perusahaan.
1 2
1 2
ij ij
ij
a Pc a HFe
a a
FORMULA KONDISI TERKINI (CURRENT
CONDITION)
Dimodelkan sebagai persamaan linear.
Kondisi Makroekonomi : Tingkat inflasi, Kapasitas produksiindustri, Money supply, Suku bunga BI, Harga minyak dunia, Nilai tukar rupiah, Sektor Migas dan pertambangan.
Kondisi Nonekonomi: Pergerakan index LN, berita LN, Kebijakan US, Berita DN, Pengaruh lainnya.
Kondisi Perusahaan : diukur melalui devident yield, devidendper share, earning per share, price earning ration.
Untuk mencerminkan kondisi psikologi pasar, nilai dari
tiap faktor direpresentasikan antara -1 sampai dengan 1.
3. PROBABILISTIC TRANSITION RULE (P)
τ adalah pheromone trail.
Pc adalah peluang/frekuensi kemunculan suatu harga saham
tertentu melalui proses klasifikasi pola.
HFe adalah fungsi heuristik dari faktor kondisi terkini.
α dan β adalah parameter bobot relative.
1 2
1 2
1 2
1 2
( )
( )
( )ki
ij ij
ij
k
ij
ij ij
ijt j
a Pc a HFet
a aP t
a Pc a HFet
a a
4. PHEROMONE UPDATE
Evaporation (Penguapan):
, ρ = 0..1
Reinforcement (penguatan):
Batasan τ:
( 1) . ( )ij ijt t
untuk level 0 – level 1: untuk global path terbaik:
cov
, ( , ) ( )
( )
0
ij
totbest
mjika i j P t
mt c
* (1 ), ( , ) ( )
( )
0
ij
totbest
mjika i j T t
mt
2
0
min(1 )
2
max
10
1
cov c( 1) . ( ) ( ) ( )best best
ij ijt t t t
5. METODE PEMBERHENTIAN
Dengan pembatasan pada maksimum iterasi.
PENGUKURAN AKURASI PREDIKSI
Pengukuran secara kualitatif
1. B = jika nilai return sebenarnya masuk dalam rentang/selang
return simulasi.
2. CB = jika nilai return sebenarnya tidak masuk dalam rentang
return simulasi, tetapi memiliki trend yang sama.
3. TB = diluar kriteria „B‟ dan „CB‟.
Pengukuran secara kuantitatif
Mean Absolute Deviation: Percent error :
( ) ( ) ( )x t x t e tMAD
N N
( ) '( )*100%
( )
x t x tabs
x te
N
STUDI KASUS
Data yang diperlukan :
Data histori return indeks/harga saham (dari 1 Juli 1997).
Kumpulan berita yang terkait.
Nilai/scoring dari tiap item berita
Parameter komputasi (J, max iterasi, α, β, ρ, m, ε)
Kasus = Memprediksi harga saham sesi penutupan
pada tanggal:
24 Maret 2008
8 April 2008
17 April 2008
REKAPITULASI HASIL SIMULASI
Kualitatif MAD MSE
Percent
error (%)Percent error
(%) MSE
1 [0.9:0.75] 0.825 CB [2344.48:2340.99] 2342.74
2 [0.75:0.6] 0.675 B [2340.99:2337.51] 2339.25
3 [0.9:0.75] 0.825 CB [2344.48:2340.99] 2342.74
4 [0.75:0.6] 0.675 B [2340.99:2337.51] 2339.25
5 [0.9:0.75] 0.825 CB [2344.48:2340.99] 2342.74
6 [0.75:0.6] 0.675 B [2340.99:2337.51] 2339.25
7 [0.9:0.75] 0.825 CB [2344.48:2340.99] 2342.74
8 [0.75:0.6] 0.675 B [2340.99:2337.51] 2339.25
1 [-1.2:-1.35] -1.275 CB [2259.36:2255.93] 2257.65
2 [-1.2:-1.35] -1.275 CB [2259.36:2255.93] 2257.65
3 [-1.35:-1.5] -1.425 CB [2255.93:2252.49] 2254.21
4 [-1.5:-1.65] -1.575 B [2252.49:2249.07] 2250.78
5 [-1.5:-1.65] -1.575 B [2252.49:2249.07] 2250.78
6 [-1.5:-1.65] -1.575 B [2252.49:2249.07] 2250.78
7 [-1.5:-1.65] -1.575 B [2252.49:2249.07] 2250.78
1 [0.45:0.3] 0.375 CB [2348.44:2344.93] 2346.69
2 [0.45:0.3] 0.375 CB [2348.44:2344.93] 2346.69
3 [0.3:0.15] 0.225 B [2344.93:2341.43] 2343.18
4 [0.45:0.3] 0.375 CB [2348.44:2344.93] 2346.69
5 [0.3:0.15] 0.225 B [2344.93:2341.43] 2343.18
6 [0.45:0.3] 0.375 CB [2348.44:2344.93] 2346.69
Pengukuran Akurasi Saham
0.011
0.040
0.031
5.952
21.140
16.725
Pengukuran Akurasi Rt
Rentang Harga
Saham Hasil Sim.
Rata – rata
saham hasil
simulasi
Tanggal 24
Maret 08 0.676545 2339.29 0.075 11.086 0.075
Kasus Uji
Nilai Rt
Sebenarnya
Harga Saham
Sebenarnya
Nilai Rt hasil
simulasi
Rata - rata
Rt hasil
simulasi
0.154
0.160
Tanggal 8
April 08 -1.61929 2249.77 0.151 9.350
Tanggal 17
April 08 0.165104 2341.78 0.160 96.850
BENCHMARKING
TERIMA KASIH